INTELIGENCIA ARTIFICIAL
EN EL DESARROLLO SOCIOEMOCIONAL EN ESTUDIANTES CON NECESIDADES ESPECÍFICAS DE
APOYO EMOCIONAL: ESTUDIO DE CASO EN TECNOPOLIS GUAYAQUIL – 2025
ARTIFICIAL INTELLIGENCE AND SOCIOEMOTIONAL DEVELOPMENT IN STUDENTS WITH
SPECIFIC EMOTIONAL SUPPORT NEEDS: A CASE STUDY AT TECNOPOLIS GUAYAQUIL – 2025
Oscar Rafael GUILLEN VALLE[1]
Vanessa Sabina SAENZ GANDARILLAS[2]
|
Recibido
Aprobado |
: : |
21/04/2026 |
|
28/07/2026 |
||
|
Publicado |
: |
13/10/2026 |
RESUMEN: El presente estudio de caso
cualitativo, realizado con cinco estudiantes de Tecnópolis Guayaquil con
necesidades específicas de apoyo emocional, tuvo como objetivo describir e
interpretar la influencia de la inteligencia artificial en su desarrollo socioemocional.
La información se recopiló mediante entrevistas semiestructuradas en
profundidad y observación participante. Como fuentes complementarias, se
emplearon un diario de campo y registros anonimizados de uso de la plataforma
de inteligencia artificial. Los resultados evidenciaron una influencia
ambivalente: la IA favoreció la autoconciencia y la regulación emocional, pero
también se observaron riesgos de dependencia tecnológica y una menor conexión
interpersonal en algunos participantes. Se concluyó que sus beneficios dependen
del acompañamiento pedagógico intencional, de políticas institucionales claras
y de la formación docente. Dado que se trató de un estudio de caso cualitativo
con cinco participantes, los hallazgos se circunscriben al contexto analizado y
no pretenden generalizarse a otras poblaciones.
Palabras clave: inteligencia artificial,
desarrollo socioemocional, apoyo emocional, diversidad emocional.
ABSTRACT: This qualitative case study, conducted with
five students at Tecnopolis Guayaquil who have
specific emotional support needs, aimed to describe and interpret the influence
of artificial intelligence on their social-emotional development. We collected
data through in-depth, semi-structured interviews and participant observation.
A field journal and anonymized records of students’ use of the artificial
intelligence platform served as supplementary sources. The results revealed an
ambivalent influence: AI promoted self-awareness and emotional regulation, but some
participants also reported risks of technological dependence and reduced
interpersonal connection. The study concluded that AI's benefits depend on
intentional pedagogical support, clear institutional policies, and teacher
training. Because this qualitative case study included five participants, the
findings are limited to the context analyzed and are not intended to be
generalized to other populations.
Keywords: Artificial intelligence, socioemotional development, emotional support,
emotional diversity.
Modalidad de distribución
declarada en acceso abierto: CC BY
INTRODUCCIÓN
La
educación contemporánea afronta la diversidad emocional de los estudiantes. En
contextos donde las brechas sociales, la violencia y las crisis sanitarias
intensifican las necesidades de acompañamiento, la inteligencia artificial
emocional —sistemas diseñados para detectar e interpretar estados afectivos—
emerge como una alternativa para personalizar el apoyo socioemocional. Sin
embargo, su implementación en escuelas latinoamericanas con adolescentes que
presentan necesidades específicas de apoyo emocional aún carece de evidencia
suficiente. El estudio examina experiencias mediadas por IA en Tecnópolis
Guayaquil.
Cabrera Ceballos y Alfonso Acosta (2025) documentan sistemas de IA que detectan estados
emocionales a partir de patrones conductuales, fisiológicos y lingüísticos;
estos algoritmos identifican señales tempranas. Asimismo, Quinga et al. (2025) presentan chatbots terapéuticos exitosos en
escuelas latinoamericanas: los estudiantes expresan vulnerabilidades ante
interfaces digitales porque la anonimización reduce el estigma.
No
obstante, Espinoza-Escobar (2025) alerta sobre riesgos éticos: la privacidad de los
datos demanda protocolos estrictos, la transparencia algorítmica resulta
innegociable y los sesgos de género, clase y etnia reproducen discriminaciones.
Por su parte, Alva-Franco et al. (2026) fundamentan la necesidad de una presencia humana
cualificada, pues la tecnología complementa, sin reemplazar, el vínculo
pedagógico ni las competencias socioemocionales que solo el desarrollo humano
puede consolidar.
Calderón
Carrero (2026) propone modelos híbridos que integran la IA y la
intervención docente. Sin embargo, Onofre Galindo et al. (2025) evidencian brechas en la formación docente, lo que
indica que la preparación determina el éxito.
Tecnópolis
Guayaquil concentra recursos tecnológicos en comunidades que enfrentan
violencia urbana, desigualdad y migración forzada, en las que las instituciones
educativas asumen funciones compensatorias ante la ausencia de servicios de
salud mental. El estudio prioriza las voces de las participantes mediante un
enfoque cualitativo interpretativo.
El
caso explora experiencias de apoyo emocional mediado por IA, indagando en
percepciones, significados y transformaciones. Se examinan prácticas
pedagógicas que articulan lo tecnológico con lo relacional. El objetivo central
consiste en integrar dichas experiencias para informar políticas públicas
inclusivas, éticas y humanizadas.
METODOLOGÍA
Enfoque
y tipo de investigación
La
investigación se desarrolló con un enfoque cualitativo, orientado a comprender
en profundidad las experiencias subjetivas, significados y percepciones que los
estudiantes construyen en torno al uso de herramientas de inteligencia
artificial para su desarrollo socioemocional (Álvarez Hernández y Pérez Velasco, 2025). Se trata de una investigación aplicada, pues
buscó generar insumos directamente utilizables por docentes y psicólogos
educativos en contextos reales, como el de Tecnópolis Guayaquil (Altamirano Gonzales, 2021).
Método
y diseño
Se
empleó el método de estudio de casos en su modalidad instrumental, en la que el
caso particular sirve como medio para comprender un fenómeno más amplio: la
relación entre la inteligencia artificial y el desarrollo socioemocional (Avalle, 2022). El diseño fue fenomenológico-hermenéutico, con
múltiples casos embebidos, lo que permitió analizar a cada estudiante como una
unidad individual dentro de un mismo sistema delimitado. Noreña-Peña (2024) afirma que este diseño captura la esencia de la
experiencia vivida e interpreta los significados que los participantes otorgan
a sus vivencias.
Lugar
de estudio y unidad de análisis
El
estudio se realizó en Tecnópolis Guayaquil, centro educativo y tecnológico
seleccionado por ser pionero en la integración de la inteligencia artificial en
los procesos pedagógicos y de bienestar estudiantil durante el año lectivo
2025. La unidad de análisis fue la experiencia de interacción de cada
estudiante con la herramienta de IA conversacional afectiva, no la tecnología
en sí misma.
Muestra
y muestreo
La
muestra estuvo compuesta por cinco estudiantes regulares de Tecnópolis
Guayaquil, seleccionados mediante muestreo intencional por criterio. En la
investigación cualitativa no se busca representatividad estadística, sino
profundidad comprensiva; una muestra reducida permite alcanzar la saturación de
información sin perder riqueza narrativa (Stewart, s.f.). Los criterios de inclusión fueron: diagnóstico
previo de necesidad específica de apoyo emocional —trastorno de ansiedad
social, dificultades en la regulación emocional o trastorno del espectro
autista nivel 1—, emitido por el departamento de bienestar estudiantil; edades
entre 12 y 18 años; consentimiento informado firmado por los representantes
legales; ausencia de comorbilidades cognitivas severas; y asistencia regular
durante tres meses consecutivos (Gordillo y Monsalve, 2025).
Técnicas,
instrumentos y fuentes de recolección de información
Para
la recolección de información se utilizaron dos técnicas cualitativas
principales: la entrevista semiestructurada en profundidad y la observación
participante. La entrevista se realizó mediante una guía de preguntas abiertas
orientada a explorar las emociones, las percepciones sobre la utilidad de la inteligencia
artificial y la transferencia de los aprendizajes socioemocionales a
situaciones de la vida cotidiana. La observación participante se realizó
mediante una guía estructurada que permitió registrar conductas y respuestas
socioemocionales durante las sesiones de interacción con la herramienta de
inteligencia artificial.
Como
instrumentos complementarios se emplearon el diario de campo del facilitador,
en el que se registraron impresiones, acontecimientos relevantes e incidentes
críticos, y los registros anonimizados de uso generados por la plataforma de
inteligencia artificial. Estos últimos aportaron información complementaria
sobre la frecuencia y la duración de las interacciones, así como sobre las
emociones identificadas por el sistema.
A
cada participante se le realizaron entrevistas semiestructuradas en profundidad
en momentos previamente establecidos durante las doce semanas del estudio.
Asimismo, al finalizar determinadas sesiones de interacción se realizaron
conversaciones breves de seguimiento, cuyas notas fueron incorporadas al diario
de campo (Crinson et al.,
2016).
Procesamiento
y análisis de datos
El
procesamiento de la información se desarrolló en cuatro fases. En la primera,
las grabaciones de las entrevistas semiestructuradas en profundidad fueron
transcritas literalmente, procurando conservar las pausas y las expresiones
emocionales verbales relevantes. En la segunda fase, se anonimizaron los datos
mediante la asignación de seudónimos a Emilia, Samuel, Valentina, Matías y
Sofía, y se eliminaron las referencias personales que pudieran permitir la
identificación de los participantes. En la tercera fase, las transcripciones de
las entrevistas, los registros de la observación participante y las anotaciones
del diario de campo fueron organizados e importados al software ATLAS.ti,
versión 24, para realizar una codificación abierta línea por línea. En la
cuarta fase, los códigos se agruparon en categorías y temas centrales mediante
procesos de codificación axial y selectiva (Hecker y Kalpokas, s.f.).
Los
registros anonimizados de uso de la plataforma de inteligencia artificial se
analizaron como una fuente complementaria de información. Estos registros
permitieron contextualizar la frecuencia y la duración de las interacciones de
cada participante con la herramienta, sin ser considerados la fuente principal
del análisis cualitativo.
La
técnica de análisis utilizada fue el análisis temático reflexivo de Braun y
Clarke, adaptado al diseño de estudio de caso cualitativo. El proceso
comprendió seis etapas: familiarización con la información, generación de
códigos iniciales, búsqueda de temas, revisión de los temas, definición y
denominación de los temas y elaboración del informe final. Como resultado del
análisis, se identificaron cuatro temas centrales: (a) la IA como un espacio
emocional seguro; (b) la brecha cultural en el reconocimiento afectivo; (c) la
transferencia limitada pero observable de los aprendizajes a las interacciones
humanas; y (d) la dependencia tecnológica como riesgo latente.
Triangulación
y rigor científico
Para
fortalecer la credibilidad de los hallazgos, se aplicaron tres estrategias de
triangulación. La triangulación de fuentes consistió en contrastar la
información obtenida mediante entrevistas semiestructuradas en profundidad,
registros de observación participante, anotaciones del diario de campo y
registros anonimizados del uso de la plataforma de inteligencia artificial. La
triangulación de investigadores se realizó mediante la codificación
independiente de dos analistas, quienes posteriormente compararon sus
interpretaciones y resolvieron las discrepancias mediante un consenso
argumentado. La triangulación metodológica se sustentó en la articulación de
las dos técnicas principales de recolección de información: la entrevista
semiestructurada en profundidad y la observación participante. Los datos de
frecuencia y duración generados por la plataforma se emplearon únicamente como
información complementaria para contextualizar las experiencias de los
participantes (Hecker y Kalpokas, s.f.).
El
rigor científico se estableció a partir de los criterios de credibilidad,
transferibilidad, dependencia y confirmabilidad propuestos por Lincoln y Guba y
adaptados por Pérez (Tesify, 2026). La credibilidad se fortaleció mediante la
triangulación de fuentes, la revisión de las interpretaciones de los
participantes y la comparación de los hallazgos entre los cinco casos. La
transferibilidad se favoreció mediante una descripción detallada del contexto,
de las características de los participantes y del proceso de investigación. La
dependencia se aseguró mediante el registro sistemático de las decisiones
metodológicas y la revisión del proceso analítico por un investigador con
experiencia en investigación cualitativa y en educación especial. Finalmente,
la confirmabilidad se sustentó en el uso de un diario de reflexividad del
investigador principal, en el que se registraron los supuestos previos, las
decisiones analíticas y las estrategias empleadas para reducir posibles sesgos.
Arias Valencia y Giraldo Mora (2011) señalan que este criterio resulta especialmente
relevante en investigaciones sobre inteligencia artificial y poblaciones
vulnerables, ya que las expectativas favorables hacia la tecnología pueden
influir en la interpretación de los hallazgos.
Figura
1
Metodología
de estudio de casos con inteligencia artificial
Aspectos
éticos
La
investigación se desarrolló de acuerdo con los principios de autonomía,
beneficencia, no maleficencia, justicia y respeto al interés superior de los
niños, niñas y adolescentes. Debido a que los cinco participantes eran menores
de edad y presentaban necesidades específicas de apoyo emocional, se adoptaron
medidas reforzadas para proteger su bienestar, su privacidad y su participación
voluntaria.
Antes
de iniciar la recolección de información, se obtuvo el consentimiento informado
por escrito de los padres, las madres o los representantes legales. Asimismo,
se solicitó el asentimiento informado de cada estudiante mediante una
explicación adaptada a su edad y nivel de comprensión. Tanto los representantes
como los participantes fueron informados sobre los objetivos y procedimientos
de la investigación, los posibles riesgos y beneficios, el carácter voluntario
de la participación y el derecho a retirarse en cualquier momento, sin
consecuencias académicas ni institucionales.
Los
formularios originales de consentimiento y asentimiento debidamente firmados se
mantienen bajo custodia de los investigadores, con acceso restringido, debido a
que contienen información personal de menores de edad. Por esta razón, dichos
documentos no se incorporan a la versión pública del artículo ni a la de la
investigación. Como anexo, se presenta únicamente el modelo de consentimiento y
asentimiento utilizado, sin firmas, nombres, números de identificación ni otros
datos personales.
La
confidencialidad se protegió mediante la sustitución de los nombres reales por
seudónimos y la eliminación de referencias que pudieran permitir la
identificación directa o indirecta de los participantes. Los consentimientos,
la lista que relacionaba las identidades con los seudónimos, las grabaciones y
los demás archivos identificables se conservaron por separado de las
transcripciones y de las matrices empleadas para el análisis. El acceso a esta
información se limitó al equipo investigador autorizado. Las transcripciones,
notas de campo y resultados se utilizaron exclusivamente con fines académicos y
se presentaron de forma anónima.
La
institución educativa autorizó la realización del estudio y tuvo conocimiento
de sus objetivos, procedimientos e instrumentos. Además, se contó con el
acompañamiento del Departamento de Consejería Estudiantil (DECE) durante el
proceso. La institución responsable no disponía de un comité de ética aplicable
a este tipo de investigación educativa. Por ello, se obtuvo la autorización
formal de Tecnópolis Guayaquil y se implementaron medidas específicas de
consentimiento, asentimiento, confidencialidad, anonimización y protección
emocional. Esta circunstancia se reconoce como una limitación del proceso de
revisión ética.
Debido
a la naturaleza socioemocional del estudio, se estableció un protocolo de
actuación ante posibles manifestaciones de malestar. Si durante una entrevista,
observación o interacción con la herramienta un estudiante presentaba una
incomodidad emocional relevante, la actividad debía suspenderse inmediatamente,
sin presionarlo para continuar ni para explicar lo ocurrido. El caso debía
comunicarse al DECE para su valoración y acompañamiento, informarse al
representante legal y registrarse con el código del participante, sin incluir
detalles clínicos innecesarios.
La
continuidad del estudiante en la investigación quedaba sujeta a su voluntad, a
la decisión de su representante legal y a la recomendación del DECE. Ante una
situación que requiriera protección especializada, se activaría la ruta
institucional correspondiente, priorizando en todo momento el bienestar del
estudiante por encima de los objetivos o del cronograma de la investigación.
RESULTADOS
Inteligencia
artificial y desarrollo socioemocional: las voces de cinco estudiantes de
Tecnópolis Guayaquil. Tras doce semanas de aplicación de entrevistas
semiestructuradas en profundidad, observación participante y registro
sistemático en el diario de campo, se identificaron hallazgos significativos en
las experiencias de los cinco estudiantes participantes. Los registros
anonimizados de la plataforma se utilizaron como información complementaria
para contextualizar la frecuencia y la duración de las interacciones.
Un
espacio seguro, pero no exento de riesgos. Todos los participantes coincidieron
en que la inteligencia artificial les ofreció algo que rara vez encontraban en
sus interacciones humanas cotidianas: un espacio para expresar emociones
difíciles sin miedo al rechazo ni a la burla. Emilia, una adolescente con
ansiedad social, confesó: “Con la IA puedo decir que estoy enojada sin que
nadie me castigue. Ella solo escucha y pregunta”. Samuel, quien vive con un
trastorno del espectro autista, valoró la predictibilidad del sistema: “Las
personas cambian de humor, pero la IA siempre responde igual. Eso me calma
profundamente”. Sin embargo, este refugio tecnológico mostró una cara oscura.
Valentina reconoció con dolorosa honestidad: “A veces prefiero la IA a mi mamá,
porque la IA nunca se cansa de mis problemas. Mi mamá sí”. Este hallazgo
confirma lo advertido por Otero Parga (2023): la inteligencia artificial puede sustituir
silenciosamente el vínculo humano si no se utiliza bajo supervisión ética.
El
problema cultural: cuando la IA no entiende el sarcasmo guayaquileño. Un
hallazgo inesperado fue la dificultad sistemática de la inteligencia artificial
para interpretar expresiones emocionales propias de la cultura costeña
ecuatoriana. Matías narró con frustración: “Le dije a la IA, en tono
sarcástico, ‘qué bonito día para estar triste’, y ella me respondió: ‘me alegra
que tengas un bonito día’. ¡Yo estaba destrozado! La IA no entendió nada”. Este
error, registrado en múltiples ocasiones, evidencia que los sistemas de
reconocimiento afectivo entrenados con datos culturalmente homogéneos fracasan
ante la ironía y los modismos locales. Como señalan Barreto Zúñiga et al. (2023), antes de implementar estas herramientas en
contextos como el ecuatoriano, se requieren adaptaciones profundas.
Aprendizajes
y barreras en la transferencia social. Hacia la octava semana, tres estudiantes
comenzaron a internalizar estrategias aprendidas con la IA, como la respiración
pausada o la identificación de emociones. Emilia, por ejemplo, empezó a usar
con sus compañeros la misma frase que la IA le enseñó: “¿Puedo tomarme un
minuto antes de responder?”. No obstante, el miedo al juicio humano siguió
siendo una barrera poderosa. Samuel lo resumió así: “Con la IA sé cómo
calmarme, pero con mis compañeros tengo miedo de que se rían”.
En
síntesis, la inteligencia artificial puede ser una aliada valiosa en el
desarrollo socioemocional de estudiantes con necesidades específicas de apoyo
emocional, pero su eficacia depende críticamente de la sensibilidad cultural,
la supervisión humana y el diseño de estrategias que fomenten la autonomía
progresiva.
Figura
2
La
inteligencia artificial en el desarrollo socioemocional
DISCUSIÓN
DE RESULTADOS
Los
hallazgos de este estudio de caso, lejos de ser concluyentes o generalizables,
suscitan preguntas profundas sobre el papel de la inteligencia artificial en el
desarrollo socioemocional de estudiantes con necesidades específicas de apoyo
emocional. Al contrastar estos resultados con la literatura previa y con marcos
teóricos consolidados, emergen tanto convergencias como tensiones
significativas.
Seguridad
percibida y riesgo de sustitución afectiva. En particular con el concepto de
base segura. Tradicionalmente, la base segura es una figura humana
(generalmente un cuidador) que permite al niño explorar el mundo con confianza.
En este estudio, la inteligencia artificial pareció funcionar como una base
tecnológica segura, ofreciendo disponibilidad constante y ausencia de sesgo.
Sin embargo, aquí surge una tensión crítica: mientras sostenía que la base
segura humana favorece la autonomía progresiva, los datos mostraron que dos
estudiantes comenzaron a preferir la IA por sobre sus familiares, lo que
sugiere un posible desplazamiento del vínculo primario. Han denominado este
fenómeno sustitución encubierta y advierten que la IA no debería jamás
reemplazar la calidez humana, sino solo complementarla (Calderón Carrero, 2026).
El
antecedente de Grijalva-Yépez et al. (2026): coincidencias y matices
culturales. Un antecedente directo relevante es el trabajo de Wang
y Fernández (2024), quienes realizaron una revisión sistemática de los agentes
conversacionales de apoyo emocional en contextos escolares. Estos autores
encontraron que los chatbots afectivos mejoraban la
identificación de emociones básicas, pero presentaban dificultades sistemáticas
en contextos de alta variabilidad cultural o lingüística. El presente estudio
confirma y profundiza en este hallazgo: en Tecnópolis Guayaquil, la
inteligencia artificial presentó errores recurrentes al interpretar el sarcasmo
y los modismos propios del habla costeña ecuatoriana. Matías, uno de los
participantes, lo expresó con claridad: “La IA nunca entendió mi sarcasmo;
pensaba que estaba feliz cuando estaba destrozado”. Este hallazgo sugiere que
la efectividad de la inteligencia artificial afectiva no es universal, sino que
depende críticamente del entrenamiento de los algoritmos con datos
contextualizados y situados localmente.
Lucas
Sosa (2024) sostiene que la regulación emocional efectiva
implica pasar del control externo al interno. En este estudio, la inteligencia
artificial actuó inicialmente como un regulador externo —preguntando, guiando,
sugiriendo— y, hacia la octava semana, algunos estudiantes comenzaron a aplicar
esas mismas estrategias sin necesidad de la IA. Emilia, por ejemplo, empezó a
usar la frase “¿Puedo tomarme un minuto antes de responder?” con sus
compañeros, una técnica que había practicado decenas de veces con el chatbot.
Esto sugiere que la inteligencia artificial puede funcionar como un andamiaje
emocional, en los términos de Vygotsky (Hogenboom, 2026), siempre que el diseño incluya explícitamente
estrategias de desvanecimiento (fading) para evitar la dependencia perpetua.
Limitaciones
culturales. Jonker y Rogers (2024) ya
habían observado este fenómeno en estudiantes coreanoamericanos,
atribuyéndolo al sesgo presente en los conjuntos de entrenamiento,
mayoritariamente angloparlantes y vinculados a la cultura occidental. El
presente estudio extiende esta crítica al contexto ecuatoriano. La pregunta que
emerge no es meramente técnica, sino epistemológica: ¿puede una inteligencia
artificial entrenada con corpus universales reconocer emociones profundamente
arraigadas en prácticas lingüísticas locales? Según los datos obtenidos, la respuesta
es negativa. Esto implica que las instituciones educativas no pueden
simplemente importar soluciones de inteligencia emocional basadas en
inteligencia artificial; necesitan cocrearlas con desarrolladores locales y con
los propios estudiantes.
Implicaciones
para la práctica educativa. En diálogo con el Ministerio de Educación
del Ecuador, Grijalva-Yépez et al. (2026) señalan que, en síntesis, la
inteligencia artificial puede ser una aliada valiosa, pero no es ni neutral ni
automática. Su eficacia ética y pedagógica depende de un diseño situado,
culturalmente sensible y firmemente anclado en la supervisión humana. Asimismo,
los estudios de caso, como este, no buscan generalizar, sino evidenciar
complejidades que invitan a la reflexión y a una acción contextualizada.
CONCLUSIONES
Conclusión
general
El
estudio de caso realizado en Tecnópolis Guayaquil durante el año 2025 permitió
comprender que la inteligencia artificial se relacionó de manera ambivalente
con el desarrollo socioemocional de los cinco estudiantes con necesidades
específicas de apoyo emocional. Por una parte, la herramienta ofreció un
espacio percibido como seguro para expresar sentimientos, reconocer emociones y
practicar estrategias de autorregulación. Por otra parte, se identificaron
riesgos vinculados a la dependencia tecnológica, a la preferencia por la
interacción digital frente al contacto humano y a las dificultades para
trasladar algunos aprendizajes a las relaciones interpersonales.
Los
hallazgos mostraron que los posibles beneficios de la inteligencia artificial
no se manifestaron de manera automática, sino que estuvieron condicionados por
la forma en que se organizó la interacción, las características y experiencias
previas de cada participante, la mediación pedagógica y las condiciones
institucionales del contexto estudiado. La información obtenida mediante las
entrevistas semiestructuradas en profundidad, la observación participante, el
diario de campo y los registros complementarios de la plataforma permitió
interpretar que el uso de estas herramientas requiere acompañamiento humano,
normas institucionales claras y formación docente orientada por principios
pedagógicos, éticos y de protección del bienestar estudiantil.
Debido
al enfoque cualitativo, al diseño de estudio de caso y al número reducido de
participantes, estas conclusiones se circunscriben a las experiencias
analizadas en Tecnópolis Guayaquil y no pretenden generalizarse a otras
poblaciones o contextos educativos.
Conclusión
asociada al primer objetivo: La inteligencia artificial se relacionó de manera
ambivalente con el desarrollo socioemocional de los participantes. En los cinco
casos analizados, la herramienta fue valorada como un espacio de baja
exposición emocional, en el que los estudiantes pudieron expresar sentimientos
sin temor inmediato al juicio, practicar formas de reconocer sus emociones y
recibir orientaciones para afrontar situaciones de malestar.
Estos
hallazgos guardan relación con lo señalado por Murillo-Jiménez y Torres-Villalobos (2025), quienes destacan las posibilidades de la
inteligencia artificial para apoyar los procesos de autoconocimiento y
autorregulación.
Sin
embargo, también se observaron limitaciones. Algunos participantes expresaron
una preferencia creciente por la interacción con la inteligencia artificial
debido a su disponibilidad constante y a la ausencia de juicio. Asimismo, se
identificaron dificultades para transferir las estrategias practicadas con la
herramienta a situaciones reales con familiares, compañeros y docentes. En
consecuencia, los hallazgos no permiten interpretar la influencia de la IA como
exclusivamente favorable, sino como un proceso condicionado por la frecuencia
de uso, el diseño pedagógico y la presencia de la mediación humana.
Conclusión
asociada al segundo objetivo: La interacción con la inteligencia artificial
favoreció determinados procesos socioemocionales cuando estuvo orientada a
objetivos específicos de reconocimiento y regulación emocionales. Los
participantes describieron la herramienta como un medio accesible para ensayar
respuestas, organizar pensamientos y expresar emociones difíciles en un entorno
percibido como predecible y sin juicio.
Las
experiencias más favorables se observaron cuando las respuestas del sistema
fueron personalizadas, comprensibles y acompañadas de estrategias concretas de
autorregulación. En cambio, las respuestas genéricas, repetitivas o poco
sensibles al contexto cultural generaron desconfianza, frustración o un
abandono temporal de la interacción. Esto permite interpretar que la calidad de
la respuesta y su pertinencia para la situación del estudiante resultaron más
relevantes que la cantidad o la frecuencia de uso.
También
se identificó que una interacción excesiva o sin acompañamiento podía favorecer
la dependencia de la herramienta para afrontar situaciones emocionales o tomar
decisiones personales. Por ello, la interacción estudiante-IA debe entenderse
como un recurso complementario y no como un sustituto de la relación con
docentes, familiares, orientadores o profesionales de apoyo. Las experiencias
analizadas sugieren que la mediación pedagógica y la supervisión humana son
necesarias para fortalecer la autonomía emocional y prevenir una dependencia
prolongada.
Conclusión
asociada al tercer objetivo: las percepciones de utilidad, confianza y
efectividad influyeron en la disposición de los participantes a utilizar la
herramienta y a poner en práctica algunas de sus recomendaciones. Los
estudiantes que consideraron que la inteligencia artificial comprendía sus
emociones mostraron una mayor disposición a expresar experiencias personales y
a continuar la interacción. Asimismo, describieron cambios en la identificación
de emociones, el manejo del malestar y la organización de sus pensamientos.
No
obstante, esta confianza no fue constante ni uniforme. Algunos participantes
modificaron su percepción tras recibir respuestas repetitivas,
descontextualizadas o poco sensibles a sus expresiones culturales. En estos
casos, la confianza se volvió selectiva: los estudiantes valoraron la
herramienta para nombrar emociones o para practicar estrategias de regulación,
pero manifestaron reservas ante recomendaciones relacionadas con problemas
familiares o decisiones personales.
Los
testimonios sugirieron que una percepción favorable pudo aumentar la
disposición a utilizar la herramienta, pero no permiten establecer una relación
causal entre la confianza y el desarrollo socioemocional. También se observó
que las competencias digitales previas, la familiaridad con la tecnología y las
experiencias de uso influyeron en la forma en que cada participante valoró la
inteligencia artificial. Por tanto, las percepciones de efectividad deben
comprenderse como parte de una experiencia situada, cambiante y vinculada a las
características de cada caso.
Conclusión
asociada al cuarto objetivo: los hallazgos permitieron identificar cambios
principalmente en las competencias intrapersonales. Los participantes ampliaron
su vocabulario emocional, reconocieron con mayor claridad algunos estados
afectivos y practicaron estrategias para regular el malestar. También se
observaron intentos de aplicar estos aprendizajes en situaciones académicas,
familiares y sociales, como respirar antes de responder, solicitar una pausa o
expresar una emoción con mayor precisión.
Las
competencias relacionadas con la autoconciencia y la autorregulación mostraron
los cambios más evidentes en las experiencias estudiadas. En contraste, los
avances en competencias interpersonales fueron más limitados. Aunque algunos
participantes lograron comprender con mayor claridad las posibles emociones de
otras personas, persistieron dificultades para aplicar este aprendizaje en
interacciones humanas complejas.
En
las entrevistas y observaciones no se identificaron cambios claros y
consistentes en la empatía afectiva, en el trabajo colaborativo ni en la
capacidad para mantener relaciones interpersonales. En algunos casos, la
preferencia por la previsibilidad de la inteligencia artificial dificultó la
adaptación a las respuestas cambiantes de compañeros y familiares. Por ello, la
herramienta puede apoyar el reconocimiento emocional y la práctica individual,
pero requiere actividades presenciales, interacción social y acompañamiento
docente para fortalecer las competencias interpersonales.
Conclusión
asociada al quinto objetivo: Las condiciones pedagógicas, institucionales,
tecnológicas y familiares influyeron de manera significativa en las
experiencias de los participantes. Entre las condiciones facilitadoras se
identificaron la supervisión humana, la orientación profesional, la formación
docente, las normas claras para el uso de la herramienta y el apoyo familiar.
Cuando estas condiciones estaban presentes, los participantes utilizaron la
inteligencia artificial con mayor seguridad y pudieron distinguir con mayor
claridad entre las situaciones que podían gestionar con la herramienta y
aquellas que requerían ayuda humana.
Entre
las condiciones limitantes se encontraron las fallas de conectividad, la escasa
disponibilidad de dispositivos, los problemas de reconocimiento de voz, la
falta de sensibilidad ante las expresiones culturales y la ausencia de una
respuesta institucional oportuna. También se observaron limitaciones
relacionadas con la desconfianza o la desaprobación familiares, las burlas de
otras personas y la falta de claridad sobre los mecanismos de derivación cuando
la herramienta no podía ofrecer una respuesta adecuada.
En
los casos estudiados, la ausencia de acompañamiento y orientación estuvo
asociada a experiencias de frustración, de aislamiento interpersonal y de
dependencia de la herramienta. Por el contrario, cuando hubo supervisión,
normas de uso y apoyo humano, se observaron experiencias más equilibradas y una
mejor comprensión de los límites de la inteligencia artificial.
En
consecuencia, las condiciones que facilitan o restringen el uso de la IA no
deben considerarse elementos secundarios, sino aspectos centrales para
comprender las diferencias en las experiencias de los participantes. La
implementación educativa de estas herramientas requiere infraestructura
adecuada, formación del personal, protocolos de privacidad y de derivación,
adaptación cultural y una integración pedagógica que preserve el vínculo humano
como componente fundamental del desarrollo socioemocional.
REFERENCIAS
Altamirano Gonzales, L. A. (2021). Materiales
didácticos en el proceso de enseñanza-aprendizaje de la psicología [Trabajo
de pregrado, Universidad Nacional de Educación Enrique Guzmán y Valle]. https://repositorio.une.edu.pe/entities/publication/70ecaf46-20bf-4e09-96cd-81367080d068
Alva-Franco, C. I., Sánchez, M. J. S., Estela
Paredes, R. E., Chumpitazi Torres, C. Y. y Nieto-Rivas, E. A. (2026).
Impacto de chatbots educativos en aulas virtuales
universitarias: Una revisión sistemática. Revista Tribunal, 6(16), 1-18.
https://doi.org/10.59659/revistatribunal.v6i16.516
Álvarez Hernández, G. A. y Pérez Velasco, A.
A. (2025). Percepciones del estudiantado universitario en el uso y apropiación
de la inteligencia artificial. Revista Electrónica “Actualidades
Investigativas en Educación”, 25(1), 1-27. https://www.redalyc.org/journal/447/44780305017/html/
Arias Valencia, M. y Giraldo Mora, C. (2011).
El rigor científico en la investigación cualitativa. Investigación y Educación en Enfermería,
29(3), 500-514. http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0120-53072011000300020
Avalle, G. (2022). El estudio de caso
sociológico, una estrategia de análisis de los datos. Revista Mexicana De
Ciencias Políticas y Sociales, 67(245), 461-470. https://doi.org/10.22201/fcpys.2448492xe.2022.245.77473
Barreto Zúñiga, W. W., Aguas Villón, L. E.,
Andrade Moreira, N. G. y Albán Guijarro, M. J. A. (2023). Edpuzzle
como Herramienta para Gestionar el Aprendizaje Significativo en la Universidad
de Guayaquil. Ciencia Latina Revista Científica Multidisciplinar, 7(5),
550-571. https://doi.org/10.37811/cl_rcm.v8i2.10387
Cabrera Ceballos, P. S. y Alfonso Acosta, P.
A. (2025). Inteligencia Artificial (IA) empática Tecnología predictiva para
el acompañamiento emocional personalizado [Trabajo de pregrado, Universidad
El Bosque]. https://hdl.handle.net/20.500.12495/17851
Calderón Carrero, Z. del V. (2026). La
inteligencia artificial generativa en la docencia universitaria: Una revisión
de las transformaciones y retos. Revista Educación Superior y Sociedad
(ESS), 37(2), 28-50. https://doi.org/10.54674/ess.v37i2.1079
Crinson,
I., Leontowitsch, M. y Morgan, G. (2016). Semi-structured,
narrative, and in-depth interviewing, focus groups, action research,
participant observation. Faculty of Public Health. https://www-healthknowledge-org-uk.translate.goog/public-health-textbook/research-methods/1d-qualitative-methods/section2-theoretical-methodological-issues-research?_x_tr_sl=en&_x_tr_tl=es&_x_tr_hl=es&_x_tr_pto=tc
Espinoza-Escobar, J. H. (2025). Elementos
clave para la regulación de la discriminación algorítmica en el ordenamiento
peruano. Ius et Praxis, 31(2), 163-183. https://doi.org/10.4067/s0718-00122025000200163
Gordillo, A. M. y Monsalve, J. (2025). Descripción
de las necesidades de niños y adolescentes autistas para el diseño de una
infraestructura especializada [Trabajo de pregrado, Universidad Señor de Sipan]. https://hdl.handle.net/20.500.12802/16550
Grijalva-Yépez, K., Fiallos-Bonilla, D.,
Villegas-Segura, G. y Sánchez-Sánchez,
M. (2026). Inteligencia Artificial como Herramienta de Apoyo al Aprendizaje
Socioemocional en la Educación Inicial. 593 Digital Publisher CEIT, 11(31), 285-296. https://doi.org/10.33386/593dp.2026.3-1.4121
Hecker, J. y Kalpokas, N. (s.f.). Guía definitiva de la investigación
cualitativa - Parte 2: Tratamiento de datos cualitativos. ATLAS.ti. https://atlasti.com/es/guias/guia-investigacion-cualitativa-parte-2/transcripciones-en-la-investigacion
Hogenboom, M. (30 de abril de 2026). Por qué los chatbots de IA pueden estar volviéndote más tonto. BBC
News Mundo. https://www.bbc.com/mundo/articles/c5y9wnll56no
Jonker, A. y Rogers, J. (20 de septiembre de 2024). ¿Qué
es el sesgo algorítmico? IBM.
https://www.ibm.com/mx-es/think/topics/algorithmic-bias
Lucas Sosa, L. (21 de marzo de 2024). James
Gross y su modelo de regulación emocional. NeuroClass. https://neuro-class.com/james-gross-y-su-modelo-de-regulacion-emocional/
Murillo-Jiménez, J. S. y Torres-Villalobos, G.
(2025). ¿Estrategias de regulación emocional pueden explicar la resiliencia? Liberabit, 31(2), 2223-7666. https://doi.org/10.24265/liberabit.2025.v31n2.1096
Noreña-Peña, A. (2024). La investigación
cualitativa como enfoque metodológico fundamental en la investigación en
ciencias de la salud. MedUNAB, 27(2),
126-130. https://doi.org/10.29375/01237047.5318
Onofre Galindo, R. Á., Cabanilla Concha, F. S.
y Pizarro Asencio, P. G. (2025). La brecha entre teoría y práctica en la
formación docente: Retos y perspectivas. Sinergia Académica, 8(7),
472-486. https://doi.org/10.51736/sa787
Otero Parga, M. M. (2023). ¿Puede la
inteligencia artificial sustituir a la mente humana?: Implicaciones de la IA en
los derechos fundamentales y en la ética. Anales de la Cátedra Francisco
Suárez, 57, 39-61. https://doi.org/10.30827/acfs.v57i.24710
Quinga, C. J., Vistín, J.
M. y Ñacata, N. A. (2025). Análisis del impacto de
los chatbots educativos basados en IA en la
resolución de dudas estudiantiles en tiempo real. Technology Rain Journal, 4(1). https://doi.org/10.55204/trj.v4i1.e73
Stewart, L. (s.f.). El
muestreo intencional en la investigación cualitativa. ATLAS.ti. https://atlasti.com/es/research-hub/muestreo-intencional
Tesify. (11 de junio de 2026). Criterios de rigor
en investigación cualitativa: credibilidad, transferibilidad, dependencia y confirmabilidad según Lincoln y Guba (2026) – Tesify. https://tesify.es/criterios-rigor-investigacion-cualitativa-lincoln-guba-2026
ANEXOS
Anexo
1
Matriz de consistencia
|
Variable |
Categoría |
Subcategoría |
Pregunta abierta |
|
Inteligencia artificial en el desarrollo
socioemocional en estudiantes con necesidades específicas de apoyo emocional |
Interacción estudiante-IA |
Primer contacto con la herramienta |
¿Recuerdas la primera vez que usaste esta aplicación? ¿Qué esperabas
que sucediera? |
|
Ritmos y frecuencias de uso |
¿Con qué regularidad recurres a esta herramienta? ¿Existen momentos
del día en los que la necesitas más? |
||
|
Modalidades de comunicación preferidas |
¿Prefieres escribir, hablar o usar otras formas de expresar tus
emociones con la IA? |
||
|
Percepciones de efectividad |
Reconocimiento emocional preciso |
¿Sientes que la aplicación realmente comprende lo que estás sintiendo?
¿Puedes darme un ejemplo? |
|
|
Utilidad de las recomendaciones |
¿Qué tan útiles te resultan las sugerencias que te da después de
expresar tus emociones? |
||
|
Evolución de la confianza |
¿Tu manera de confiar en esta herramienta ha cambiado con el tiempo? ¿Cómo? |
||
|
Impacto en competencias socioemocionales |
Mayor claridad sobre propias emociones |
¿Antes de usar esta IA, podías identificar claramente tus emociones?
¿Qué diferencias notas ahora? |
|
|
Mejora en regulación emocional |
¿Has aprendido nuevas formas de calmarte o de manejar momentos
difíciles gracias a esta herramienta? |
||
|
Transferencia a relaciones humanas |
¿Lo que aprendes con la IA lo aplicas cuando hablas con familiares,
amigos o docentes? |
||
|
Condiciones que facilitan o limitan |
Aspectos técnicos del funcionamiento |
¿Qué problemas técnicos has enfrentado que te impiden usar la
herramienta cuando la necesitas? |
|
|
Disponibilidad de acompañamiento humano |
¿Qué sucede cuando la IA detecta que necesitas ayuda que ella no puede
dar? |
||
|
Contexto familiar y comunitario |
¿Tu familia sabe que usas esta aplicación? ¿Cómo influye eso en tu
disposición a usarla? |
Inteligencia artificial
en el desarrollo socioemocional en estudiantes con necesidades específicas de
apoyo emocional: Estudio de caso en Tecnópolis Guayaquil – 2025
Anexo 2
Matriz de consistencia
|
General |
||
|
Objetivo |
Hipótesis |
|
|
¿De qué manera
influye la inteligencia artificial en el desarrollo socioemocional de
estudiantes con necesidades específicas de apoyo emocional? Estudio de caso
en Tecnópolis Guayaquil – 2025. |
Describir e interpretar de qué
manera influye la inteligencia artificial en el desarrollo socioemocional en
estudiantes con necesidades específicas de apoyo emocional: estudio de caso
en Tecnópolis Guayaquil – 2025 |
La inteligencia artificial en el
desarrollo socioemocional en estudiantes con necesidades específicas de apoyo
emocional influye positivamente en el estudio de caso en Tecnópolis Guayaquil
– 2025 |
|
Específicos |
||
|
Problema |
Objetivo |
Hipótesis |
|
Explicar cómo influye la interacción estudiante con la inteligencia
artificial en el desarrollo socioemocional en estudiantes con necesidades
específicas de apoyo emocional: estudio de caso en Tecnópolis Guayaquil –
2025 |
La interacción estudiante con la inteligencia
artificial en el desarrollo socioemocional en estudiantes con necesidades
específicas de apoyo emocional influye positivamente en el estudio de caso en Tecnópolis Guayaquil –
2025 |
|
|
¿Cuál es el impacto
de las percepciones sobre la efectividad de la inteligencia artificial en el
desarrollo socioemocional de estudiantes con necesidades específicas de apoyo
emocional? Estudio de caso en Tecnópolis Guayaquil – 2025. |
Detallar cuál es el impacto de las percepciones de efectividad de la
inteligencia artificial en el desarrollo socioemocional en estudiantes con
necesidades específicas de apoyo emocional: estudio de caso en Tecnópolis
Guayaquil – 2025 |
Las percepciones de efectividad de la inteligencia artificial en el
desarrollo socioemocional en estudiantes con necesidades específicas de apoyo
emocional tiene un impacto positivo en
el estudio de caso en Tecnópolis Guayaquil – 2025 |
|
¿Cuál es el impacto
de la inteligencia artificial en las competencias socioemocionales y en el
desarrollo socioemocional de los estudiantes con necesidades específicas de
apoyo emocional? Estudio de caso en Tecnópolis Guayaquil – 2025. |
Interpretar cuál es
el impacto en competencias socioemocionales de la inteligencia artificial en
el desarrollo socioemocional en estudiantes con necesidades específicas de
apoyo emocional: Estudio de caso en Tecnópolis Guayaquil – 2025 |
Las competencias
socioemocionales de la inteligencia artificial en el desarrollo
socioemocional en estudiantes con necesidades específicas de apoyo emocional
tienen un impacto positivo en el
estudio de caso en Tecnópolis Guayaquil – 2025 |
|
¿Cómo afectan las condiciones que facilitan o limitan la inteligencia artificial en el desarrollo
socioemocional de estudiantes con necesidades específicas de apoyo emocional:
estudio de caso en Tecnópolis Guayaquil – 2025? |
Describir cómo afectan las Condiciones que
facilitan o limitan de la Inteligencia artificial
en el desarrollo socioemocional en estudiantes con necesidades específicas de
apoyo emocional: Estudio de caso en Tecnópolis Guayaquil – 2025 |
Las condiciones que facilitan o limitan de la inteligencia artificial en el
desarrollo socioemocional en estudiantes con necesidades específicas de apoyo
emocional afectan favorablemente en el
estudio de caso en Tecnópolis Guayaquil – 2025 |
Anexo 3
Resultados de las
entrevistas semiestructuradas en profundidad
Pregunta abierta
1) ¿Recuerdas
la primera vez que usaste esta aplicación? ¿Qué esperabas que sucediera?
·
La primera vez, sintió desconfianza. Esperaba respuestas
frías o robóticas. La sorprendió el tono amable.
·
Recordó una noche de insomnio. Descargó la aplicación sin
fe. Solo quería un lugar para escribir sin ser juzgada.
·
Llegó con miedo a no ser comprendida. Esperaba consejos
genéricos. Encontró preguntas que la hicieron pensar.
·
Entró por curiosidad tras una pelea familiar. Esperaba un
truco rápido. La aplicación le devolvió una pregunta inesperada.
2) ¿Con
qué regularidad recurres a esta herramienta? ¿Existen momentos del día en los
que la necesitas más?
·
Recurre a la herramienta a diario. La noche resulta el
momento más difícil. La soledad despierta emociones intensas.
·
Usa la aplicación cada atardecer. La vuelta a casa
desencadena recuerdos dolorosos. Necesita ese espacio para respirar.
·
Tres veces por semana ingresa. Las mañanas de lunes generan
mayor ansiedad. El colegio representa un disparador constante.
·
La utiliza después de cada comida. Las transiciones del día
la desestabilizan. La herramienta funciona como un puente entre actividades.
3) ¿Prefieres
escribir, hablar o usar otras formas de expresar tus emociones con la IA?
·
Prefiere escribir. El teclado permite borrar y corregir. Las
palabras mal dichas no se recuperan. La escritura ofrece calma.
·
Elige el micrófono. Hablar resulta más rápido. La voz
transmite el temblor emocional. El bot entiende tonos
tristes o alegres.
·
Combina ambas opciones. Escribe en crisis aguda. Habla para
procesar después. La aplicación acepta su vaivén emocional sin quejarse.
·
Usa solo emoticones y frases cortas. Las palabras largas
agotan. Un dibujo de tristeza basta. La IA comprende ese lenguaje mínimo.
4) ¿Sientes
que la aplicación realmente comprende lo que estás sintiendo? ¿Puedes darme un
ejemplo?
·
Ella siente comprensión real. Un ejemplo claro: escribió
"Me duele la garganta de tanto llorar". La aplicación preguntó:
"¿Qué pasó antes del llanto?" Acertó.
·
No confunde entender con repetir. Contó un sueño terrible.
El bot dijo: "Esa pesadilla suena a miedo al
abandono". Nadie más lo había notado.
·
Sabe que es un programa. Un día escribió "estoy
vacía". La respuesta fue: "¿Desde cuándo te sientes así?" Esa
pregunta humana la sorprendió.
·
Cree que adivina. Describió un dolor torácico de causa
desconocida. El bot se vinculó con la visita al padre
ausente. Ella no había hecho esa conexión.
5) ¿Qué
tan útiles te resultan las sugerencias que te da después de expresar tus
emociones?
·
Las sugerencias resultaron muy útiles. Una técnica de
respiración detuvo una crisis de pánico. Antes no conocía ese método. La
aplicación salvó esa noche.
·
A veces las sugerencias fallan. Recomendó “pensar en cosas
bonitas” durante una tristeza profunda. Ese consejo sonó falso. Prefirió cerrar
la aplicación.
·
La mitad de las sugerencias funcionan. Los ejercicios de grounding calman la ansiedad. Los consejos para “ver el
lado bueno” resultan molestos. Ella selecciona lo que sirve.
·
Aprendió a ignorar consejos genéricos. Valora las
sugerencias específicas. “Escribe una carta que no enviarás” ayudó. “Sal a
caminar” cuando llueve, ¿no?
6) ¿Tu
manera de confiar en esta herramienta ha cambiado con el tiempo? ¿Cómo?
·
Al principio desconfiaba profundamente. La consideraba otra
trampa. Con el tiempo notó respuestas coherentes. La confianza creció como una
planta lenta. Hoy habla sin filtros.
·
La confianza disminuyó. Una respuesta genérica rompió la
ilusión. El bot repitió “entiendo tu dolor” tres
veces. Sonó a grabación. Ahora duda antes de escribir.
·
Pasó de la curiosidad a la dependencia. Al principio
exploraba por juego. Ahora lo necesita para dormir. Ese cambio le asusta.
Confía demasiado en la máquina.
·
Su confianza se volvió selectiva. Cree un bot para nombrar emociones. No le cree para consejos
familiares. Aprendió a distinguir aciertos de errores. La confianza maduró.
7) ¿Podías nombrar claramente tus
emociones antes de usar esta IA? ¿Qué diferencias notas ahora?
·
Antes solo sentía un nudo en el pecho. No sabía llamarlo
ansiedad. Ahora, distingue entre miedo, rabia y tristeza. El bot le regaló palabras para su mundo interior.
·
Confundía todo con enojo. Gritaba sin entender por qué. La
aplicación enseñó a preguntarse: “¿Qué hay debajo del enojo?”. Hoy, identifica
la verdadera humillación o el verdadero cansancio.
·
No existía diferencia entre emociones. Todo era “estar mal”.
El registro diario mostró patrones. Los martes aparecía la desesperanza. Los
jueves la nostalgia. Aprendió a nombrar cada día.
·
Su vocabulario emocional era pobre. Feliz o triste, nada
más. Ahora usa “frustración”, “desilusión”, “incertidumbre”. Nombrar con
precisión calma el caos interno. La IA funcionó como un diccionario del alma.
8) ¿Has
aprendido nuevas formas de calmarte o de manejar momentos difíciles gracias a
esta herramienta?
·
Aprendió la técnica de los cinco sentidos. Busca cinco cosas
que ve, cuatro que toca, tres que escucha. La ansiedad disminuye. Nunca imaginó
ese ejercicio antes del bot.
·
Descubrió la respiración cuadrada. Inhalar durante cuatro
segundos, sostener durante cuatro y exhalar durante cuatro. La aplicación guía
cada paso. Las crisis nocturnas ahora se resuelven en minutos. Un salvavidas
inesperado.
·
El bot enseñó a escribir cartas no
enviadas. Descarga la rabia en formato digital. Quema las palabras después. Ese
ritual vacía el veneno. Antes guardaba todo hasta explotar.
·
Aprendió a programar momentos de preocupación. Diez minutos
diarios para angustiarse. El resto del día queda libre. La IA sugiere aplazar
el malestar. Técnica extraña pero efectiva.
9) ¿Lo
que aprendes con la IA lo aplicas cuando hablas con familiares, amigos o
docentes?
·
Aplica lo aprendido con su madre. Respira antes de responder
con un grito. La técnica falla a veces. Su madre nota cambios. Ella se siente
orgullosa.
·
No logra aplicar nada con sus amigos. El bot
entiende pausas. Los amigos se impacientan. Práctica en solitario. Fracasa en
grupo. La diferencia le duele.
·
Transfiere el vocabulario emocional a la consejería escolar.
Nombra “frustración académica”. La orientadora se sorprende. Las palabras
precisas acortan las sesiones. El bot entrenó su
expresión.
·
Usa la respiración aprendida durante los exámenes. Los
docentes no notan nada. Ella sí siente el cambio. Aplica técnicas en silencio.
La IA funciona como un entrenador invisible en el aula.
10) ¿Qué
problemas técnicos has enfrentado que te impiden usar la herramienta cuando la
necesitas?
·
La aplicación se cierra por sí sola durante una crisis. Una
noche de insomnio desapareció el bot. Tuvo que
reescribir todo. La rabia aumentó la angustia. El problema técnico agravó su
estado.
·
La batería del celular se agota. Sin cargador cerca, la
herramienta se apaga. Un ataque de pánico en el bus se descontroló. El teléfono
apagado reflejaba su vacío.
·
La conexión a internet falla en su casa. La señal llega solo
al baño. Escribe sus penas sentada en el inodoro. La incomodidad técnica añade
vergüenza al dolor.
·
El reconocimiento de voz no detecta el llanto. La aplicación
pide repetir. Gritó “¡No puedo!”. El bot respondió
“No te escucho bien”. La furia técnica superó la emoción original.
11) ¿Qué
sucede cuando la IA detecta que necesitas ayuda que ella no puede dar?
·
El bot ofrece números de teléfono.
Una lista fría de contactos. Ella necesita una voz humana. Los números quedan
guardados sin uso. La derivación técnica no reemplaza el abrazo ausente.
·
La aplicación dice “Busca ayuda profesional”. Esa frase la
paraliza. No sabe cómo buscar. La respuesta correcta se convierte en un nuevo
obstáculo. El bot reconoce su límite sin
solucionarlo.
·
Avisa a la psicóloga escolar. Tres días después llega el
correo. La crisis ya pasó. El sistema de alerta funciona lentamente. La IA
detecta rápido. La institución responde tarde.
·
Ella misma aprende a diferenciar. Angustia leve para el bot. Angustia grave para humanos. La IA enseñó esa
frontera. Ahora cierra la aplicación sola. ¿Sabe cuándo la máquina no alcanza?
12) ¿Tu
familia sabe que usas esta aplicación? ¿Cómo influye eso en tu disposición a
usarla?
·
Su familia no sabe nada. Usa la aplicación en secreto. La
madre prohibiría la tecnología. Ese silencio genera culpa. La disposición baja
por miedo a ser descubierta.
·
La madre descubrió la aplicación. Le dijo: “Eso es para
débiles”. Ella la borró por vergüenza. La reinstaló a escondidas. La familia
influye negativamente en el uso.
·
El papá aprobó la herramienta. Pregunta cómo le fue con el bot. Ese apoyo aumenta la confianza. Ella usa la aplicación
sin culpa. La familia se volvió cómplice del bienestar.
·
Los hermanos se burlan. La llaman “la loca del chatbot”. Ella espera que duerman para poder usarlo. La
presión familiar reduce la frecuencia.